通透！如何從頭構建一個機器學習模型
作者：程序員小寒
在這種情況下，企業需要避免公司進一步流失，并希望對流失概率高的客戶采取行動。有了上述業務需求，所以需要開發一個客戶流失預測模型。
大家好，我是小寒。
今天我將帶領大家一步步的來構建一個機器學習模型。
我們將按照以下步驟開發客戶流失預測分類模型。
- 業務理解
- 數據收集和準備
- 建立機器學習模型
- 模型優化
- 模型部署
1.業務理解
在開發任何機器學習模型之前，我們必須了解為什么要開發該模型。
這里，我們以客戶流失預測為例。
在這種情況下，企業需要避免公司進一步流失，并希望對流失概率高的客戶采取行動。有了上述業務需求，所以需要開發一個客戶流失預測模型。
2.數據收集和準備
數據采集
數據是任何機器學習項目的核心。沒有數據，我們就無法訓練機器學習模型。
在現實情況下，干凈的數據并不容易獲得。通常，我們需要通過應用程序、調查和許多其他來源收集數據，然后將其存儲在數據存儲中。
在我們的案例中，我們將使用來自 Kaggle 的電信客戶流失數據。它是有關電信行業客戶歷史的開源分類數據，帶有流失標簽。
https://www.kaggle.com/datasets/blastchar/telco-customer-churn
探索性數據分析 (EDA) 和數據清理
首先，我們加載數據集。
import pandas as pd
df = pd.read_csv('WA_Fn-UseC_-Telco-Customer-Churn.csv')
df.head()接下來，我們將探索數據以了解我們的數據集。
以下是我們將為 EDA 流程執行的一些操作。
- 檢查特征和匯總統計數據。
- 檢查特征中是否存在缺失值。
- 分析標簽的分布（流失）。
- 為數值特征繪制直方圖，為分類特征繪制條形圖。
- 為數值特征繪制相關熱圖。
- 使用箱線圖識別分布和潛在異常值。
首先，我們將檢查特征和匯總統計數據。
df.info()
圖片
df.describe()
df.describe(exclude = 'number')
圖片
讓我們檢查一下缺失的數據。
df.isnull().sum()可以看到，數據集不包含缺失數據，因此我們不需要執行任何缺失數據處理活動。
然后，我們將檢查目標變量以查看是否存在不平衡情況。
df['Churn'].value_counts()
圖片
存在輕微的不平衡，因為與無客戶流失的情況相比，只有接近 25% 的客戶流失發生。
讓我們再看看其他特征的分布情況，從數字特征開始。
import numpy as np
df['TotalCharges'] = df['TotalCharges'].replace('', np.nan)
df['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce').fillna(0)
df['SeniorCitizen'] = df['SeniorCitizen'].astype('str')
df['ChurnTarget'] = df['Churn'].apply(lambda x: 1 if x=='Yes' else 0)
num_features = df.select_dtypes('number').columns
df[num_features].hist(bins=15, figsize=(15, 6), layout=(2, 5))
圖片
我們還將提供除 customerID 之外的分類特征繪圖。
import matplotlib.pyplot as plt
# Plot distribution of categorical features
cat_features = df.drop('customerID', axis =1).select_dtypes(include='object').columns
plt.figure(figsize=(20, 20))
for i, col in enumerate(cat_features, 1):
plt.subplot(5, 4, i)
df[col].value_counts().plot(kind='bar')
plt.title(col)
圖片
然后我們將通過以下代碼看到數值特征之間的相關性。
import seaborn as sns
# Plot correlations between numerical features
plt.figure(figsize=(10, 8))
sns.heatmap(df[num_features].corr())
plt.title('Correlation Heatmap')
圖片
最后，我們將使用基于四分位距（IQR）的箱線圖檢查數值異常值。
# Plot box plots to identify outliers
plt.figure(figsize=(20, 15))
for i, col in enumerate(num_features, 1):
plt.subplot(4, 4, i)
sns.boxplot(y=df[col])
plt.title(col)
圖片
從上面的分析中，我們可以看出，我們不應該解決缺失數據或異常值的問題。
下一步是對我們的機器學習模型進行特征選擇，因為我們只想要那些影響預測且在業務中可行的特征。
特征選擇
特征選擇的方法有很多種，通常結合業務知識和技術應用來完成。
但是，本教程將僅使用我們之前做過的相關性分析來進行特征選擇。
首先，讓我們根據相關性分析選擇數值特征。
target = 'ChurnTarget'
num_features = df.select_dtypes(include=[np.number]).columns.drop(target)
# Calculate correlations
correlations = df[num_features].corrwith(df[target])
# Set a threshold for feature selection
threshold = 0.3
selected_num_features = correlations[abs(correlations) > threshold].index.tolist()
selected_cat_features=cat_features[:-1]
selected_features = []
selected_features.extend(selected_num_features)
selected_features.extend(selected_cat_features)
selected_features你可以稍后嘗試調整閾值，看看特征選擇是否會影響模型的性能。
3.建立機器學習模型
選擇正確的模型
選擇合適的機器學習模型需要考慮很多因素，但始終取決于業務需求。
以下幾點需要記住：
- 用例問題。它是監督式的還是無監督式的？是分類式的還是回歸式的？用例問題將決定可以使用哪種模型。
- 數據特征。它是表格數據、文本還是圖像？數據集大小是大還是小？根據數據集的不同，我們選擇的模型可能會有所不同。
- 模型的解釋難度如何？平衡可解釋性和性能對于業務至關重要。
經驗法則是，在開始復雜模型之前，最好先以較簡單的模型作為基準。
對于本教程，我們從邏輯回歸開始進行模型開發。
分割數據
下一步是將數據拆分為訓練、測試和驗證集。
from sklearn.model_selection import train_test_split
target = 'ChurnTarget'
X = df[selected_features]
y = df[target]
cat_features = X.select_dtypes(include=['object']).columns.tolist()
num_features = X.select_dtypes(include=['number']).columns.tolist()
#Splitting data into Train, Validation, and Test Set
X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
X_train, X_val, y_train, y_val = train_test_split(X_train_val, y_train_val, test_size=0.25, random_state=42, stratify=y_train_val)在上面的代碼中，我們將數據分成 60% 的訓練數據集和 20% 的測試和驗證集。
一旦我們有了數據集，我們就可以訓練模型。
訓練模型
如上所述，我們將使用訓練數據訓練 Logistic 回歸模型。
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder
from sklearn.linear_model import LogisticRegression
preprocessor = ColumnTransformer(
transformers=[
('num', 'passthrough', num_features),
('cat', OneHotEncoder(), cat_features)
])
pipeline = Pipeline(steps=[
('preprocessor', preprocessor),
('classifier', LogisticRegression(max_iter=1000))
])
# Train the logistic regression model
pipeline.fit(X_train, y_train)模型評估
以下代碼顯示了所有基本分類指標。
from sklearn.metrics import classification_report
# Evaluate on the validation set
y_val_pred = pipeline.predict(X_val)
print("Validation Classification Report:\n", classification_report(y_val, y_val_pred))
# Evaluate on the test set
y_test_pred = pipeline.predict(X_test)
print("Test Classification Report:\n", classification_report(y_test, y_test_pred))從驗證和測試數據中我們可以看出，流失率(1) 的召回率并不是最好的。這就是為什么我們可以優化模型以獲得最佳結果。
圖片
4.模型優化
優化模型的一種方法是通過超參數優化，它會測試這些模型超參數的所有組合，以根據指標找到最佳組合。
每個模型都有一組超參數，我們可以在訓練之前設置它們。
from sklearn.model_selection import GridSearchCV
# Define the logistic regression model within a pipeline
pipeline = Pipeline(steps=[
('preprocessor', preprocessor),
('classifier', LogisticRegression(max_iter=1000))
])
# Define the hyperparameters for GridSearchCV
param_grid = {
'classifier__C': [0.1, 1, 10, 100],
'classifier__solver': ['lbfgs', 'liblinear']
}
# Perform Grid Search with cross-validation
grid_search = GridSearchCV(pipeline, param_grid, cv=5, scoring='recall')
grid_search.fit(X_train, y_train)
# Best hyperparameters
print("Best Hyperparameters:", grid_search.best_params_)
# Evaluate on the validation set
y_val_pred = grid_search.predict(X_val)
print("Validation Classification Report:\n", classification_report(y_val, y_val_pred))
# Evaluate on the test set
y_test_pred = grid_search.predict(X_test)
print("Test Classification Report:\n", classification_report(y_test, y_test_pred))
圖片
5.部署模型
我們已經構建了機器學習模型。有了模型之后，下一步就是將其部署到生產中。讓我們使用一個簡單的 API 來模擬它。
首先，讓我們再次開發我們的模型并將其保存為 joblib 對象。
import joblib
best_params = {'classifier__C': 10, 'classifier__solver': 'liblinear'}
logreg_model = LogisticRegression(C=best_params['classifier__C'], solver=best_params['classifier__solver'], max_iter=1000)
preprocessor = ColumnTransformer(
transformers=[
('num', 'passthrough', num_features),
('cat', OneHotEncoder(), cat_features)])
pipeline = Pipeline(steps=[
('preprocessor', preprocessor),
('classifier', logreg_model)
])
pipeline.fit(X_train, y_train)
# Save the model
joblib.dump(pipeline, 'logreg_model.joblib')一旦模型對象準備就緒，我們將創建一個名為 app.py 的 Python 腳本，并將以下代碼放入腳本中。
from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import numpy as np
# Load the logistic regression model pipeline
model = joblib.load('logreg_model.joblib')
# Define the input data for model
class CustomerData(BaseModel):
tenure: int
InternetService: str
OnlineSecurity: str
TechSupport: str
Contract: str
PaymentMethod: str
# Create FastAPI app
app = FastAPI()
# Define prediction endpoint
@app.post("/predict")
def predict(data: CustomerData):
input_data = {
'tenure': [data.tenure],
'InternetService': [data.InternetService],
'OnlineSecurity': [data.OnlineSecurity],
'TechSupport': [data.TechSupport],
'Contract': [data.Contract],
'PaymentMethod': [data.PaymentMethod]
}
import pandas as pd
input_df = pd.DataFrame(input_data)
# Make a prediction
prediction = model.predict(input_df)
# Return the prediction
return {"prediction": int(prediction[0])}
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8000)在命令提示符或終端中，運行以下代碼。
uvicorn app:app --reload有了上面的代碼，我們已經有一個用于接受數據和創建預測的 API。
讓我們在新終端中使用以下代碼嘗試一下。
curl -X POST "http://127.0.0.1:8000/predict" -H "Content-Type: application/json" -d "{\"tenure\": 72, \"InternetService\": \"Fiber optic\", \"OnlineSecurity\": \"Yes\", \"TechSupport\": \"Yes\", \"Contract\": \"Two year\", \"PaymentMethod\": \"Credit card (automatic)\"}"如你所見，API 結果是一個預測值為 0（Not-Churn）的字典。你可以進一步調整代碼以獲得所需的結果。
責任編輯：武曉燕
來源：
程序員學長
